具体实施方式

下面结合附图与具体实施方式对本方案进行阐述。

图1为本申请实施例提供的一种苹果园害虫诱捕识别装置的结构示意图，参见图1，本实施例提供的苹果园害虫诱捕识别装置包括：装置壳体，设置在装置壳体顶部的害虫诱捕装置和底部的害虫收集装置，所述害虫诱捕装置和所述害虫收集装置上下对应设置。朝向所述害虫收集装置的害虫收集面设置有图像采集设备，所述图像采集设备与控制器电连接，所述控制器与远程服务器电连接。

本实施例中，所述害虫诱捕装置包括与所述装置壳体固定连接的接虫漏斗，所述接虫漏斗上口设置有支架，所述支架上固定设置诱捕剂盒，所述漏斗的下口设置在所述所述害虫收集装置的害虫收集面正上方。诱捕剂盒放置害虫性诱剂，由于害虫收集装置也会放置害虫性诱剂，因此诱导过来的害虫会通过漏斗上口进入通过下口进入到害虫收集装置中被粘捕。

所述害虫收集装置包括新膜滚筒和旧膜滚筒，所述新膜滚筒和所述旧膜滚筒通过粘虫膜相连接，所述新膜滚筒上缠覆未使用的粘虫膜，所述旧膜滚筒上缠覆使用后的粘虫膜，所述新膜滚筒和旧膜滚筒之间的粘虫膜为使用中的粘虫膜。

粘虫膜一面具有粘性一面光滑，具有黏性的一面上不仅设置有粘虫胶，还有害虫性诱剂，粘虫胶为高强度粘胶、可以捕杀害虫。当暴露在外面的粘虫膜在外界固定时间段后，粘到一定数量的害虫，图像采集设备对粘虫膜进行拍照。拍照完毕后新膜滚筒输出新的粘虫膜，旧膜滚筒回收使用后的粘虫膜，新膜滚筒和旧膜滚筒之间的粘虫膜重新变为未使用的粘虫膜。

进一步地，对应所述新膜滚筒和旧膜滚筒分别设置有第一支架和第二支架，所述新膜滚筒设置在所述第一支架上，所述旧膜滚筒设置在第二支架上。所述第一支架上设置有第一卷膜电机(图中未示出)，所述第一卷膜电机的转动输出轴与所述新膜滚筒固定连接。所述第二支架上设置有第二卷膜电机(图中未示出)，所述第二卷膜电机的转动输出轴与所述旧膜滚筒固定连接。

第一卷膜电机和第二卷膜电机同步动作，当第一卷膜电机控制新膜滚筒转动输出新的粘虫膜时，第二卷膜电机同步控制旧膜滚筒转筒回收同等长度的使用后的粘虫膜。

本实施例中，所述图像采集设备包括无线传输相机，所述无线传输相机固定设置在相机支架上，所述无线传输相机的镜头朝向所述新膜滚筒和旧膜滚筒之间的粘虫膜。所述相机支架包括竖杆和可伸缩横杆，所述竖杆的第一端与所述装置壳体底部固定连接，所述竖杆的第二端与所述可伸缩横杆的第一端固定连接，所述无线传输相机与所述可伸缩横杆的第二端固定连接。

可伸缩横杆可以带动无线传输相机移动，当粘虫膜处于粘捕害虫时，可伸缩横杆带动无线传输相机移动到一侧，防止相机影响害虫落入粘虫膜。所述可伸缩横杆的第二端设置有伸缩架电机，所述伸缩架电机用于控制所述可伸缩横杆伸长或缩短。当需要进行图像采集时，控制无线传输相机运动到粘虫膜中央进行拍照，拍照完毕后、控制无线传输相机回到原位置。

本实施例中，所述装置壳体内还设置有步进电机控制器和内置电源，所述步进电机控制器分别与所述控制器、第一卷膜电机、第二卷膜电机和伸缩架电机电连接，所述内置电源用于为用电设备供电。内置电源为锂电池，安装在装置外壳的底部，为装置内控制器、步进电机控制器、无线传输相机和各个电机提供电能。第一卷膜电机、第二卷膜电机和伸缩架电机均为步进电机，步进电机控制器接收控制器传送的脉冲信号，进而控制卷膜电机及伸缩架电机动作。

由上述实施例可知，本申请实施例提供的苹果园害虫诱捕识别装置，通过性诱剂定向诱捕苹果园害虫，装置中设涂有性诱剂和粘虫胶的粘虫膜，控制器通过控制第一卷膜电机和第二卷膜电机控制新膜卷筒电机输出新的粘虫膜，旧膜卷筒回收使用后的粘虫膜。并且通过可无线传输的相机对诱捕到的害虫进行拍摄，随即上传到远程服务器。远程服务器中内置苹果园害虫识别模型，进而可以对图像中的害虫快速识别，解决了现有苹果园害虫依靠人工识别主观性强、识别效率低等问题。

与上述实施例提供的一种苹果园害虫诱捕识别装置相对应，本申请还提供了一种苹果园害虫诱捕识别方法。参见图3，本实施例中的苹果园害虫诱捕识别方法包括：

S101，诱捕剂盒诱捕的害虫通过漏斗的下口落到下方的粘虫膜上；

S102，通过无线传输相机采集粘附在粘虫膜上的害虫图像；

S103，所述无线传输相机将采集的害虫图像传输给控制器；

S104，所述控制器将所述害虫图像发送给远程服务器；

S105，所述远程服务器通过内置的苹果园害虫识别模型对图像中的害虫进行识别。

远程服务器中的苹果园害虫识别模型主要是采用深度学习训练的方法，在苹果园害虫识别上使用卷积神经网络。卷积神经网络主要包括卷积层、池化层、非线性激活层等叠加构成。

浅层的卷积核主要负责提取害虫的共性基础特征，位置信息特征比较强。深层的卷积核主要是负责相对复杂的特征，语义特征比较强。基于深度学习的目标检测算法一般分为两类：第一类是基于回归的目标检测算法，也称一阶段检测方式，该类算法将检测任务看做回归问题，即在输入害虫图像中的多个位置上返回位置和类别。第二类是基于候选区域的目标检测，也称两阶段检测方式，即在牺牲检测时间的基础上提升检测精度，如MaskR-CNN识别模型。

本实施例中的远程服务器已部署了Mask R-CNN识别模型，该模型构建过程如下

S1051，获取苹果园害虫的图像信息；

S1052，通过改变苹果园单体害虫图像的对比度、亮度、锐度、色度以及旋转不同的角度来进行样本扩增。

S1053对苹果园害虫图像采用Label me软件进行标注，制作深度学习数据集。

S1054基于Mask R-CNN苹果园害虫识别模型搭建。

Mask R-CNN是基于Faster R-CNN提出来的一个网络架构，主要完成对目标个体的实例分割。Mask R-CNN由特征提取网络、区域推荐网络(RPN)、感兴趣对齐层(RoI Align)、目标检测和分割4部分组成。Mask R-CNN中所用的特征金字塔网络(FPN)做的就是将高层的语义信息回向传递，利用高层语义信息来提高底层信息利用效果。

首先，将采集的苹果园害虫图像数据利用卷积神经网络提取特征，选用残差网络(ResNet101)作为主干网络。然后区域推荐网络(RPN)推荐可能存在目标的候选框，感兴趣对齐层(RoI Align)将RoI映射成固定尺寸的特征图，特征图通过检测分支的全连接层进行分类和边界框回归，通过分割分支的全连接层进行上采样得到实例分割图。

S1055将数据集在卷积神经网络中训练，使用COCO数据集(Common objects incontext)上已经训练好的Mask R-CNN模型权重作为苹果园害虫识别模型的初始化训练权重，提取数据集中苹果园害虫图像的纹理、形状、尺寸及颜色等特征点，通过特征点对MaskR-CNN模型进行训练，获得最终的苹果园害虫识别模型。

远程服务器对苹果园害虫的分类识别结果通过用户的电脑及手机显示，如附图3所示，所述识别结果包括苹果园害虫的种类及置信度，即用户可以根据害虫种类进行下一步的防治措施。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

当然，上述说明也并不仅限于上述举例，本申请未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制，如来替代，本申请仅结合并参照优选的实施方式进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨，也应属于本申请的权利要求保护范围。